Transcripción con marcas de tiempo: por palabra o por segmento, y cuándo necesitas cada una

Una transcripción con marcas de tiempo vincula cada fragmento de texto al momento exacto en que se dijo, y esas marcas existen en dos resoluciones. Las marcas de tiempo por segmento asignan a cada frase un único inicio y un único final, que es lo que necesitan los subtítulos, las transcripciones para revisar y las listas de capítulos. Las marcas de tiempo por palabra dan a cada palabra su propio inicio y su propio final, algo que solo importa cuando un programa trabaja con palabras sueltas: subtítulos tipo karaoke, edición a partir del texto, cortes de clips al milímetro o análisis del habla.

Si no estás construyendo ninguna de esas funciones, la sincronización por segmento es la opción por defecto correcta. En esta guía verás qué aspecto tiene cada tipo, cómo añadir marcas de tiempo a una transcripción a mano o de forma automática, cómo generan los tiempos por palabra herramientas como Whisper y qué formatos de archivo pueden guardarlos.

¿Qué significa poner marcas de tiempo en una transcripción?

Consiste en insertar códigos de tiempo en el texto para que quien lo lea pueda saltar de una línea al mismo punto de la grabación. Lo habitual es escribir la marca en horas, minutos y segundos, por ejemplo [00:14:32], y los archivos de subtítulos añaden milisegundos: 00:14:32.480.

Las marcas de tiempo cumplen tres funciones. Permiten contrastar una cita con el audio, citar o enlazar un momento concreto (un capítulo, una entrada de las notas del episodio, un extracto de una investigación) y sincronizar texto y sonido en un reproductor o un editor. La función que necesites determina con qué densidad deben aparecer.

¿Qué tipos de marcas de tiempo hay en una transcripción?

Casi cualquier transcripción que te encuentres sigue una de estas cuatro convenciones. Las dos primeras son típicas de las transcripciones hechas por personas; las dos últimas las genera el software.

En las transcripciones de investigación es frecuente combinar las dos primeras: una marca en cada turno de palabra y otra en cada minuto cuando hay monólogos largos. Así la página sigue siendo legible y quien codifica encuentra cualquier pasaje en segundos.

Marcas de tiempo por palabra o por segmento: cómo se ven

Esta es una frase con resolución de segmento, en el formato que usa cualquier editor de subtítulos:

00:01:22.400 --> 00:01:25.900
Los resultados sorprendieron a todo el equipo.

Y este es el mismo audio con resolución de palabra, tal como lo guarda una transcripción típica en JSON (abreviada):

[
  {"word": "Los",          "start": 82.40, "end": 82.58},
  {"word": "resultados",   "start": 82.61, "end": 82.98},
  {"word": "sorprendieron", "start": 83.05, "end": 83.47},
  {"word": "a",            "start": 83.52, "end": 83.86},
  ...
]

La versión por segmento es una línea que una persona puede leer. La versión por palabra son siete registros con los que un programa puede trabajar. Las dos describen los mismos 3,5 segundos: cambia la resolución, no la fidelidad.

¿Cuándo bastan las marcas de tiempo por segmento?

En la mayoría de los entregables que una persona lee o ve, el segmento es la granularidad adecuada.

• Subtítulos y subtítulos para personas sordas. Un cue es un segmento: una frase que se mantiene en pantalla el tiempo suficiente para leerla. La guía de estilo de Netflix, por ejemplo, fija un mínimo de cinco sextos de segundo y un máximo de siete segundos por subtítulo (Netflix Timed Text Style Guide). Si un cue respeta esos límites, la sincronización por palabra no le aporta nada. Lo difícil de verdad son los saltos de línea y la velocidad de lectura, y eso lo tratamos en nuestra guía sobre la longitud de las líneas de subtítulos.

• Revisar y citar. Comprobar una cita de una entrevista o una decisión recogida en el acta de una reunión consiste en hacer clic en una frase y escucharla. Con resolución de frase es suficiente.

• Capítulos y notas del episodio. Los capítulos de YouTube exigen una lista en la descripción que empiece en 00:00, tenga al menos tres marcas de tiempo en orden ascendente y capítulos de 10 segundos como mínimo (Ayuda de YouTube). Para eso nadie necesita tiempos por palabra con milisegundos.

• Buscar dentro de una grabación. Una búsqueda que te lleva al segmento correcto te deja a pocos segundos del término; el oído hace el resto.

¿Cuándo necesitas marcas de tiempo por palabra?

Los tiempos por palabra se justifican cuando una función, literalmente, no puede funcionar sin ellos.

• Subtítulos palabra por palabra. El estilo tan habitual en TikTok, Reels y Shorts, en el que cada palabra aparece o cambia de color al pronunciarse, necesita saber cuándo empieza cada palabra.

• Transcripciones de lectura sincronizada. Los reproductores de pódcast y de clases que resaltan la palabra que suena en cada momento se guían por los tiempos de cada palabra.

• Edición a partir del texto. Borrar una frase en la transcripción y que el audio se corte justo en ese punto depende de alinear cada palabra con el audio.

• Cortes de clips precisos. Los clips automáticos que arrancan exactamente en la primera palabra de una cita, sin medio segundo de respiración delante, usan el inicio de cada palabra.

• Análisis del habla. La velocidad de habla, la duración de las pausas y los solapamientos entre hablantes se calculan a partir de los tiempos por palabra.

Una prueba rápida: si no sabes nombrar la función que va a leer los tiempos por palabra, no los necesitas. Guardarlos de todos modos no cuesta nada en la mayoría de las herramientas, pero mostrárselos a los lectores hace que la transcripción sea más incómoda de usar.

Por palabra frente a por segmento, de un vistazo

Cómo poner marcas de tiempo en una transcripción

Si transcribes a mano, importa más ser coherente que la convención concreta que elijas. Un procedimiento que funciona:

1. Decide el formato una sola vez. Usa [hh:mm:ss] entre corchetes en los documentos. Añade milisegundos solo en los archivos de subtítulos, donde el formato los exige.

2. Decide cuándo poner la marca. En cada cambio de hablante, a intervalos fijos (lo habitual son 30 o 60 segundos) o en ambos casos. Escribe la regla al principio del documento para que otros lectores sepan qué significa que falte una marca.

3. Toma el tiempo del reproductor, no de memoria. Pausa, anota la posición actual y escríbela al principio de la línea.

4. Marca también con tiempo los huecos y los pasajes inaudibles, por ejemplo [inaudible 00:12:41], para que quien revise vaya directo al problema.

5. Haz una comprobación al final. Salta a tres o cuatro marcas y confirma que el texto coincide con lo que oyes.

Hacer esto a mano con una hora de audio es lento, y por eso hoy casi todo el mundo deja que el reconocimiento de voz coloque las marcas y se limita a corregir el texto. Una herramienta de transcripción con IA te devuelve una transcripción en la que cada segmento lleva su propio código de tiempo. BlaBlaScribe funciona así con archivos subidos y enlaces (por ejemplo con el generador de transcripciones de YouTube), con una precisión de hasta el 99,8 % en audio limpio, y exporta a SRT, VTT, DOCX, TXT, JSON y otros formatos. No es un bot de reuniones ni se conecta a llamadas en directo, y no tiene API pública, así que si necesitas recibir arrays de palabras en tu propio software, te conviene más una API de voz para desarrolladores.

¿Cómo funcionan las marcas de tiempo por palabra de Whisper?

Los modelos de voz no oyen una palabra en un instante concreto. Puntúan el audio en tramas cortas y emiten tokens de texto a medida que acumulan indicios. Las marcas de tiempo por palabra salen de proyectar esos tokens sobre las tramas, un paso que se llama alineación. Hay dos formas habituales de hacerlo.

• A partir de la atención del propio modelo. Whisper, el modelo de código abierto de OpenAI, tiene una opción word_timestamps que, según su código fuente, extrae marcas de tiempo por palabra "using the cross-attention pattern and dynamic time warping" (Whisper, transcribe.py). La ayuda de la línea de comandos sigue calificando la opción de experimental. Con ella activada, Whisper también puede subrayar cada palabra mientras suena en sus salidas SRT y VTT.

• Alineación forzada en una segunda pasada. Otro modelo toma el texto terminado y el audio y busca la mejor correspondencia entre ambos, fonema a fonema. Es el camino de WhisperX, que combina detección de actividad de voz con alineación forzada de fonemas; sus autores señalan que las marcas de tiempo de enunciado de Whisper tienden a ser imprecisas y que no ofrece marcas por palabra de serie (Bain et al., WhisperX, 2023).

Las API comerciales ofrecen la misma idea como una opción de la petición. Google Cloud Speech-to-Text, por ejemplo, devuelve el desplazamiento de inicio y final de cada palabra cuando enableWordTimeOffsets vale true, en incrementos de 100 ms (documentación de Google Cloud). Esa granularidad sirve para resaltar palabras, pero es demasiado gruesa para fiarse de ella en ediciones de audio al fotograma sin comprobarla antes.

¿Por qué a veces las marcas de tiempo de Whisper no son precisas?

Las causas suelen ser las mismas que afectan a la precisión de la transcripción en general. El habla encadenada difumina los límites entre palabras ("pa'l", "na' más"), los hablantes que se pisan compiten por el mismo tramo de audio, la música y el ruido emborronan los ataques, y los silencios largos o el texto alucinado pueden desincronizar los segmentos posteriores. En audio sucio, los tiempos suelen ser aproximados por palabra y fiables por frase. Si la sincronización se desvía, limpia primero el audio, divide los archivos muy largos y usa una herramienta que haga una pasada de alineación específica. Si quieres saber cómo funciona el reconocimiento por dentro, lee cómo funciona de verdad la conversión de voz a texto y nuestra comparativa de Whisper frente a las herramientas de transcripción de pago.

¿Qué formatos de archivo admiten marcas de tiempo por palabra?

• SRT solo trabaja con segmentos. Cada cue tiene un inicio, un final y un bloque de texto; no hay ningún campo para tiempos por palabra.

• WebVTT usa cues por segmento como SRT, pero la especificación WebVTT del W3C también permite marcas de tiempo dentro del texto del cue, como <00:01:22.610>resultados. Cada una debe ser posterior a la anterior y quedar entre el inicio y el final del cue. Es la forma estándar de expresar una sincronización tipo karaoke en un archivo de subtítulos, aunque no todos los reproductores la muestran. Las ventajas e inconvenientes de cada formato están en SRT o VTT.

• Las transcripciones en JSON son el sitio natural de los datos por palabra: arrays con la palabra, el inicio, el final y a menudo una puntuación de confianza, que consumen editores, herramientas de clips y scripts de analítica.

• DOCX y TXT admiten, como mucho, marcas por segmento o por turno de palabra. Cualquier cosa más fina convierte una página pensada para leer en ruido.

La conclusión práctica: si el entregable es un archivo que abre una persona, lo que le corresponde es la sincronización por segmento. Si es un conjunto de datos que consume otro programa, puede merecer la pena incluir los tiempos por palabra.

¿Cuál deberías elegir?

1. Transcripciones, notas, citas, capítulos, subtítulos estándar: por segmento. Exporta SRT o VTT para vídeo, y DOCX o TXT para leer.

2. Subtítulos animados para vídeo corto: por palabra, aunque rara vez tendrás que gestionarlo tú. Una herramienta como Word-by-Word Captions usa internamente los tiempos por palabra para crear subtítulos que se iluminan a medida que se pronuncia cada palabra (un MP4 completo con los subtítulos incrustados y sin marca de agua requiere un plan de pago).

3. Reproductor con lectura sincronizada en una web: por palabra, mostrado por un reproductor como el Podcast Transcript Player, que resalta cada palabra mientras suena el episodio.

4. Tu propio software de edición, clips o analítica: JSON por palabra obtenido de una API o de un alineador como WhisperX, comprobado con una muestra antes de confiar en él.

Preguntas frecuentes

¿Qué diferencia hay entre las marcas de tiempo por palabra y por segmento?

Las marcas por segmento asignan un único inicio y final a una frase u oración completa, mientras que las marcas por palabra asignan un inicio y un final a cada palabra. Los segmentos son adecuados para subtítulos y transcripciones legibles; las palabras, para funciones de software como los subtítulos animados o la edición a partir del texto.

¿Son más precisas las marcas de tiempo por palabra?

Son más granulares, no más precisas. Una buena marca por segmento es igual de fiable para localizar un momento, y los tiempos por palabra en audio con ruido o con voces solapadas suelen ser aproximados.

¿Necesito marcas de tiempo por palabra para los subtítulos?

No. Los cues de SRT y VTT son segmentos por diseño. La excepción es el estilo de subtítulos palabra por palabra para vídeo corto, que las herramientas generan a partir de tiempos por palabra internos.

¿Cómo obtengo marcas de tiempo por palabra con Whisper?

Pon word_timestamps=True en Python o pasa --word_timestamps True en la línea de comandos; Whisper añadirá entonces un inicio y un final a cada palabra de cada segmento. La función está marcada como experimental, y WhisperX añade alineación forzada cuando necesitas una sincronización más ajustada.

¿Cada cuánto deben aparecer las marcas de tiempo en una transcripción?

En las transcripciones para leer, lo habitual es ponerlas en cada cambio de hablante, o cada 30 a 60 segundos en los monólogos largos. Los archivos de subtítulos ponen marca de tiempo a cada cue automáticamente.

¿Puede un archivo VTT contener sincronización por palabra?

Sí. La especificación WebVTT permite marcas de tiempo dentro del texto del cue, como <00:01:22.610> delante de una palabra, que los reproductores pueden usar para resaltar al estilo karaoke. SRT no tiene nada equivalente.